在高考评分中，作文往往是最耗费工作量，也最具争议的一项。近年来，由于高考作文评价体系屡遭质疑，相关领域的专家学者开始思考运用机器评分，来取代准确度不高且耗时耗力的人工批改。11月26日，华东师范大学中文系副教授徐默凡，在华东师范大学一场有关“应试作文写作质量的计量和计算”的研讨会上，就机器在作文评分中的实现可能性进行了探讨，并对当下的应试作文评分进行了反思。

研讨会现场。

通过数据统计可找出背题套题的作文

据徐默凡介绍，目前有望运用于机器评分的自然语言处理模型有三类，分别是基于规则识别、数据统计和神经网络的自然语言处理。

所谓基于规则识别的自然语言处理，是基于一定的规则对作文进行句法分析和语义分析，从而掌握对语言的理解和表达。徐默凡认为，这条路对于作文机器评分是走不通的。因为首先，人类自身并未建构起准确的作文评分标准;其次，作文评价标准涉及到的因素比句子理解更多，思想、逻辑、结构、语言等要素难以规则化。

第二种模型则是基于神经网络的自然语言处理。它的原理在于运用脑科学和仿生学，模仿人脑对信息的处理方式。然而在徐默凡看来，这种模型也不适合用于机器评分。除了训练复杂度高，费时费力之外，无法对它的信息处理过程进行探测和评估，因而结果的可解释性差。

更重要的是，这种模型牵涉到了关键的智能伦理问题。AlphaGo的横空出世令人惊诧，而相比围棋，作文更是人类智能的体现。如果将作文评分交给人工智能，很容易引起伦理上的反感甚至恐慌。高考这一事关很多人前途的重大考试，若完全交由人工智能去判断评分，很有可能会造成“机器将会主宰人类社会”的联想。

于是相比之下，基于数据统计的自然语言处理才是更适合机器评分的模型。这种数据统计的基本原理是，一个句子是否合理，不必了解它的句法语义，只需要考察它在人类说过的话中出现的可能性大小如何：出现的可能性越大，即越合理;可能性越小，则越不合理。理论上，进行这种自然语言处理时，需要把人类讲过的所有话都统计一遍;然而在现实中，进行词频统计就已绰绰有余。“词频统计现在已经是比较成熟的研究成果了，”徐默凡说，“在实际中，也可以考虑到前后文的关联和影响。只是考虑的词越多，意味着计算也会越复杂。”